Amazon ஊழியர்கள் அதைத் திசைமாற்றியதால் AI பயன்பாட்டு லீடர்போர்டை நீக்கியது

Amazon-இன் உள் AI அளவீடு தவறான நடத்தை உருவாக்கியது

ஊழியர்கள் பொருளற்ற பணிகளுக்கு AI கருவிகளைப் பயன்படுத்தி லீடர்போர்டில் மேலே ஏற முடியும் என்பதை அறிந்த பிறகு, Amazon ஒரு உள் AI தரவரிசை அமைப்பை அகற்றியதாக கூறப்படுகிறது. பெரிய நிறுவனங்களில் விரைவாக அமல்படுத்தப்படும் AI ஏற்றுக்கொள்ளல் அளவீடுகள் ஊக்கங்களை எவ்வாறு சிதைக்க முடியும் என்பதற்கு இந்த நிகழ்வு ஒரு பயனுள்ள ஆய்வுக் குறிப்பாக உள்ளது.

வழங்கப்பட்ட மூல உரையின் படி, நிறுவனம் “Kirorank” என்ற டாஷ்போர்டை பயன்படுத்தி Amazon-இன் Kiro டெவலப்பர் தளத்தில் ஊழியர்களின் செயல்பாட்டை அடிப்படையாகக் கொண்டு மதிப்பெண் அளித்தது. இந்த அளவீடு பயன்பாட்டை ஊக்குவிக்க வடிவமைக்கப்பட்டது, ஆனால் சில ஊழியர்கள் அர்த்தமுள்ள விளைவுக்காக அல்லாமல் மதிப்பெண் பெறுவதற்காக மட்டுமே AI-யைப் பயன்படுத்தத் தொடங்கினர். இதன் விளைவாக செயல்பாட்டு எண்ணிக்கைகள் உயர்ந்தன, கூடுதல் கிளவுட் செலவுகள் ஏற்பட்டன, மேலும் அதற்கு இணையான மதிப்பு இருந்ததற்கான சான்றுகள் மிகக் குறைவாக இருந்தன.

பயன்பாடே இலக்காக மாறும் போது

அடிப்படை தோல்வி நிறுவன வடிவமைப்பில் பரிச்சயமானதே: ஒரு அளவீடு இலக்காக மாறும் தருணத்தில், மக்கள் அடிப்படை நோக்கத்தைவிட அந்த அளவீட்டையே மேம்படுத்தத் தொடங்குகிறார்கள். இங்கு தெளிவான நோக்கம், டெவலப்பர்களால் பயனுள்ள AI ஏற்றுக்கொள்ளல் ஆகும். தேர்ந்தெடுக்கப்பட்ட பிரதிநிதி, ஒரு உள் தளத்தில் உள்ள செயல்பாடாக இருந்தது.

அந்த வேறுபாடு செலவானதாக நிரூபிக்கப்பட்டது. ஊழியர்கள் அதிகமான AI-சார்ந்த பணிகளை இயக்குவதன் மூலம் தங்களின் நிலையை மேம்படுத்த முடிந்தால், குறியீட்டு தரம், வெளியீட்டு வேகம் அல்லது வாடிக்கையாளர் தாக்கம் உயரவில்லை என்றாலும் கூட, டோக்கன் பயன்பாடும் தள போக்குவரமும் அதிகரிக்கலாம். சில ஊழியர்கள் தரவரிசையில் மேலே செல்ல பொருளற்ற வேலைகளில் AI முகவர்களை ஈடுபடுத்தியதாக மூல உரை கூறுகிறது.

Senior Vice President Dave Treadwell ஊழியர்களிடம், “Please don’t use AI just for the sake of using AI.” என்று கூறியதாக தெரிவிக்கப்படுகிறது. அந்த கூற்று பிரச்சினையின் மையத்தைத் துல்லியமாகக் காட்டுகிறது. தலைமைத்துவம் இதை வெளிப்படையாகச் சொல்ல வேண்டிய நிலை வந்தால், அது ஆதரிக்க வேண்டிய வணிக விளைவிலிருந்து அளவீட்டு கட்டமைப்பு ஏற்கனவே விலகி விட்டது என்பதைக் குறிக்கிறது.

டாஷ்போர்டுக்குப் பின்னுள்ள அழுத்தம்

நேரமும் முக்கியம். மூல உரையின் படி, Amazon தனது 80% க்கும் அதிகமான டெவலப்பர்கள் வாரந்தோறும் AI-யைப் பயன்படுத்த வேண்டும் என்ற இலக்கை நிர்ணயித்துள்ளது. மேலும் 2026-இல் சுமார் $200 billion செலவிடத் திட்டமிட்டுள்ளது, அதில் பெரும்பகுதி AI உட்கட்டமைப்புக்காகும். இந்த எண்கள் உள் ஏற்றுக்கொள்ளல் அளவீடுகள் ஏன் இவ்வளவு கவனம் பெற்றன என்பதை விளக்குகின்றன.

AI-யில் இவ்வளவு தாக்கத்துடன் முதலீடு செய்யும் பெரிய நிறுவனங்கள், கருவிகள் பயன்படுத்தப்படுகின்றன என்பதற்கான சான்றுகளை விரும்புகின்றன, மேலும் அவை அந்த சான்றை விரைவாகவே விரும்புகின்றன. டாஷ்போர்டுகள் ஒரு வெளிப்படையான மேலாண்மை பதிலாக உள்ளன, ஏனெனில் அவை பரந்த மாற்றத் திட்டத்தை காணக்கூடிய எண்ணாக மாற்றுகின்றன. ஆனால் காண்பித்தன்மை, பயன்பாட்டிற்கு சமமானது அல்ல. குறிப்பாக மென்பொருள் அமைப்புகளில், உண்மையான ஏற்றுக்கொள்ளலை வெறும் பயன்பாட்டு புள்ளிவிவரங்களால் பிடிப்பது கடினம்.

சிறப்புரை உரை Meta-விலும் இதே போன்ற வடிவம் காணப்பட்டதாகக் குறிப்பிடுகிறது, அங்கு ஊழியர்கள் AI பயன்பாட்டு மதிப்பெண்களைத் தொடர்ந்து முயன்றனர். இது பிரச்சினை Amazon-க்கு மட்டும் தனித்துவமானதல்ல என்பதைக் காட்டுகிறது. உண்மையான முன்னேற்றங்களை அளவிடுவதற்கான முதிர்ந்த முறைகள் உருவாகுவதற்கு முன்பே AI ஏற்றுக்கொள்ளலை வேகப்படுத்த முயலும் நிறுவனங்களில் இது ஒரு கட்டமைப்பு சிக்கலாக இருக்கலாம்.

டோக்கன் எண்ணிக்கையிலிருந்து பயனுள்ள அமலாக்கங்களுக்குத்

Amazon-இன் மாற்று அளவீடு குறிப்பிடத்தக்கது. கச்சா டோக்கன் பயன்பாட்டை கண்காணிப்பதற்குப் பதிலாக, நிறுவனம் இப்போது “normalized deployments” என்பதை அளவிடுகிறது, அதாவது உண்மையில் பயனுள்ளதாக நிரூபிக்கும் AI-உருவாக்கிய குறியீடு. இந்த மாற்றம் உள்ளீட்டு அளவீடுகளிலிருந்து வெளியீட்டு அளவீடுகளுக்கான நகர்வை காட்டுகிறது.

இந்த மாற்றம் நியாயமானது, ஆனால் எளிதானது அல்ல. AI-உருவாக்கிய குறியீடு உண்மையில் பயனுள்ளதாக உள்ளதா என்பதை அளவிட, ஒரு மாடல் இயக்கப்பட்டது என்பதை வெறுமனே பதிவு செய்வதைவிட வலுவான வெற்றிவிளக்கம் தேவைப்படுகிறது. இது உற்பத்தி விளைவுகளுடன் நெருக்கமான தொடர்பு, உண்மையான வேலைப்பாய்வுகளில் ஒருங்கிணைப்பு, அல்லது உருவாக்கப்பட்ட வேலை சத்தமாக இல்லாமல் ஒரு வெளியீட்டுக்கு பங்களித்ததை உறுதிப்படுத்தும் சரிபார்ப்பு ஆகியவற்றைக் குறிக்கிறது.

என்றாலும், எந்த மாற்று அளவீட்டுக்கும் கவனமான வடிவமைப்பு தேவைப்படும். ஊழியர்கள் வெளியீட்டு எண்ணிக்கைகளுக்காக மட்டும் பரிசளிக்கப்படுகிறார்கள் என்றால், அவர்கள் சிறிய அல்லது குறைந்த ஆபத்துள்ள வெளியீடுகளையே மேம்படுத்தலாம். குறியீட்டு அளவுக்காக பரிசளிக்கப்பட்டால், அவர்கள் சரியாக மதிப்பாய்வு செய்வதை விட அதிகக் குறியீட்டை உருவாக்கலாம். பாடம் அளவீடுகள் இயலாதவை என்பதல்ல. பல நிறுவனங்கள் முதலில் கருதுவதைவிட, AI ஏற்றுக்கொள்ளல் அளவீடுகள் உண்மையான பொறியியல் மதிப்புடன் இன்னும் இறுக்கமாக ஒத்திசைவாக இருக்க வேண்டும் என்பதே பாடம்.

நிறுவன AI-க்கு இது ஏன் முக்கியம்

Amazon-இன் அனுபவம், உள் AI அறிமுகங்கள் கடினமான கட்டத்துக்குள் நுழைந்து கொண்டிருக்கின்றன என்பதை காட்டுகிறது. ஆரம்ப சவால் கருவிகளை ஊழியர்களின் கைகளில் சேர்ப்பது. அடுத்த சவால், அந்த கருவிகள் வெறும் ஈடுபாட்டு விளக்கப்படங்களை நிரப்பாமல், உண்மையான வேலையை மேம்படுத்துகின்றன என்பதை நிரூபிப்பது. AI செலவுகள் விரிவடையும்போது, குறியீட்டு ஏற்றுக்கொள்ளலுக்கான நிர்வாக பொறுமை குறையக்கூடும்.

இது குறிப்பாக மேம்பாட்டு சூழல்களில் முக்கியமானது; அங்கு வீணான கணிப்பொறி நேரடியாக செலவாக மாறுகிறது, மேலும் குறைந்த தரமான உருவாக்கப்பட்ட வெளியீடு பின்னர் மறைமுக பராமரிப்பு சுமைகளை உருவாக்கலாம். லீடர்போர்டு முயற்சியை ஊக்குவிக்கலாம், ஆனால் மதிப்பீட்டு அமைப்பு எளிமையானதாக இருந்தால் அது காட்சிப்படுத்தும் நடத்தைமையையும் ஊக்குவிக்க முடியும்.

பெரிய பாடம் நேரடியானது: நிறுவனங்கள் AI பயன்பாட்டைத் தானே இறுதி நிலையாகக் கருத முடியாது. அவர்கள் செயல்பாடுக்கும் செயல்திறனுக்கும் இடையிலான வேறுபாட்டை அறிந்திருக்க வேண்டும். லீடர்போர்டை Amazon நீக்கியது, நிறுவனம் அந்த பாடத்தை செலவான முறையில் கற்றுக்கொண்டதாகக் காட்டுகிறது. AI கருவிகளுக்குத் தங்கள் ஊழியர்களைத் தள்ளும் பிற அமைப்புகளுக்கு, தவறான நடத்தை அளவுப்பெறுவதற்கு முன் ஏற்றுக்கொள்ளல் முயற்சிகளுக்குப் சிறந்த ஊக்கங்கள் தேவை என்பதற்கான எச்சரிக்கையாக இது உள்ளது.

இந்த கட்டுரை The Decoder வெளியீட்டின் செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. மூல கட்டுரையைப் படிக்கவும்.